融合PSO和Powell的雷达组网反隐身部署优化算法

针对多雷达组网探测隐身目标的部署优化问题, 根据雷达探测隐身目标的简化模型,在目标运动轨迹确定的情况下,设计了反隐身部署优化 两级指标。由于雷达网部署为具有多个可行解的多目标优化问题,提出了一种融合粒子群(P article swarm optimization, PSO)和 鲍威尔(Powell)搜索法的分层搜索算法。首先采用粒子群优化算法得到全局和局部最优解, 然后采用 鲍威尔算法进一步搜索得到部署方案。仿真结果表明,提出的算法充分结合了粒子群算法的 全局搜索能力和鲍威尔算法的局部搜索能力,与仅采用粒子群算法相比,得到的部署方案在 保证责任区覆盖的前提下,有效提高了雷达网对隐身目标的探测概率,增加了对隐身目标的 预警距离。     

一种多传感器数据融合仿真平台的设计

该文为了适应多传感器数据融合技术的发展,提出了多传感器数据融合仿真平台的系统构建思想,采用结构化分析的软件设计方法,开发了一个通用的,易扩展的数据融合仿真平台。该文主要内容包括:STAGE平台与Visual C++6.0的混合编程,目标航迹的绘制;UDP/IP协议的网络数据通信;融合算法框架的软件设计等等。通过在系统运行的一个算法实例,证明了该仿真平台的有效性和实用性。     

使用高斯混合滤波器的机动目标跟踪

实际目标跟踪过程中,被跟踪目标的状态与类型都是不确定的。使用运动学传感器与属性传感器分别获取的目标状态量测信息与特征量测信息,给出了目标状态与类型不确定性的联合状态类型概率密度函数表示,并推导了线性高斯假设下的系统模型为高斯混合模型。根据这一性质,引入高斯混合滤波器,实现了机动目标的有效跟踪。在仿真分析中,通过对比3种算法的跟踪结果,进一步验证了使用高斯混合滤波器在机动目标跟踪过程中的有效性。     

不确定环境下一种多目标跟踪算法研究

本文针对工程应用背景下,真实环境存在的各种不确定问题,提出一种基于多模型的多目标跟踪算法.通过双门限法判断各量测的使用情况,首先初步确定与量测可能关联的目标,然后对这些目标调用相应的跟踪算法,保证算法的可行性和实时性;由多目标状态估计信息,预测其飞行情况,并根据预测的不同飞行情况切换不同跟踪算法,保证算法的鲁棒性要求.实测数据验证本文的算法具有较好的跟踪性能,适用于工程应用.     

一种广义的图像模糊增强算法

本文在模糊增强算法的基础上提出了广义迭代模糊增强算法,它由图像滤波、模糊增强和灰度变换三个步骤组成.在模糊增强阶段,提出了一种规范形式的隶属度函数,在保留了通常模糊增强算法和灰度变换优点的同时,将灰度隶属度函数变换到[0,1]区间.为了约束所提出算法的迭代过程,基于图像灰度直方图分布的统计特性,提出了一种新的客观图像质量评价指标.计算机仿真实例表明,这种新的算法比单一的模糊增强算法和灰度变换算法更适合于处理灰度级少、对比度低的图像的增强问题.     

基于无味有向图切换的机动目标跟踪VSMM算法

在机动目标跟踪领域,传统的基于固定模型集合的交互式多模型算法需要大量的模型来保证模型不失配,但是会带来巨大的计算量,并且来自过多模型的不必要的模型间竞争反而会使算法性能下降.为解决此矛盾,该文提出了一种基于有向图切换和无味卡尔曼滤波算法的变结构多模型算法.该算法根据目标不同时刻的运动状态依据有向图匹配不同的子模型集合进行滤波.仿真结果显示该算法在有效降低计算量的同时使模型集合和目标的运动状态更好的匹配,从而提高了算法跟踪精度.     

SAR变体目标识别的卷积神经网络法

目的 深度学习已经大量应用于合成孔径宽达（SAR）图像目标识别领域,但大多数工作是基于MSTAR数据集的标准操作条件展开研究。当将深度学习应用于同类含变体目标时,例如T72子类,由于目标间差异小,所以仍存在着较大的挑战。本文从极大限度地保留SAR图像输入特征出发,设计一种适用于SAR变体目标识别的深度卷积神经网络结构。方法 设计网络主要由多尺度空间特征提取模块和DenseNet中的稠密块、转移层构成。多尺度特征提取模块置于网络底层,通过使用尺寸分别为1×1、3×3、5×5、7×7、9×9的卷积核,提取丰富空间特征的同时保留输入图像信息。为使输入图像信息更加有效地向后传递,基于DenseNet中的稠密块和转移层进行后续网络层设计。在对训练样本进行样本扩充基础上,分析了输入图像分辨率及目标存在平移和不同噪声水平等情况对模型识别精度的影响,与用于SAR图像目标识别的深度模型识别精度在标准操作条件下进行了对比分析。结果 实验结果表明,对T72 8类变体目标进行分类,设计的模型能够取得95.48%的识别精度,在存在目标平移和不同噪声水平情况下,平均识别精度分别达到了94.61%和86.36%。对10类目标（包括不含变体和含变体情况）在进行数据增强的情况下进行模型训练与测试,分别达到了99.38%和98.81%的识别精度,略优于其他对比模型结构识别精度。结论 提出的模型可以充分利用输入图像以及各卷积层输出的特征,学习目标图像的细节差异,不仅适用于SAR图像变体目标的识别任务,同时在标准操作条件下的识别任务也取得了较高的识别结果。     

最小熵反馈式变结构多模型融合算法

统变结构多模型方法(VSMM)在处理高机动日标状态估计问题和大观测误差时存在因模型集合与真实模式匹配欠佳导致估计质量下降的问题.本文结合最小信息熵准则(ME)提出一种反馈式变结构多模型融合算法(MEVSMM),将在所有模型相关的在线估计信息进行反馈,进而选取状态估计分布信息熵最小的模型集作为当前有效模型集,计算多模型估计结果;结合粒子滤波算法(PF)和设计擂台赛算法(CM),构造了易于工程实现的次优算法(PF-MEVSMM).理论分析与仿真表明,与传统VSMM算法相比,本法具有模型集更精简、有效,融合估计结果鲁棒性更强、精度更高的优点.     

基于高斯过程的多机动扩展目标跟踪

针对杂波环境下多机动扩展目标跟踪问题, 提出一种基于高斯过程的变结构多模型联合概率数据关联方法.首先, 采用期望模型扩展方法构建自适应模型集, 并对各个扩展目标状态进行初始化.其次, 基于高斯过程建立联合跟踪门以选择有效量测, 形成联合关联矩阵.然后, 拆分联合关联矩阵得到可行关联矩阵并求解关联事件概率.最后, 利用联合概率数据关联滤波器更新各个扩展目标的状态和协方差, 并将更新的状态进行融合, 得到最终的状态估计.仿真验证了所提方法的有效性.     

多传感器多目标跟踪算法仿真平台设计与实现

针对美国联合导控器实验室提出的数据融合模型中多传感器多目标跟踪算法的仿真验证和定量评估的问题,采用模块化和开放性结构思想,面向对象编程及Visual C++与Matlab混合编程技术,构建了一类通用的可视化多传感器多目标跟踪算法仿真平台。该平台能够完成多种目标跟踪算法仿真、测试与评估功能。通过在系统运行的一个软件实例,证明了仿真平台的有效性与实用性。